情感识别技术对于人机交互的和谐发展以及人工智能的全面实现具有举足轻重的作用。通过对人类的情感状态进行研究和认识,可以使人类的身心健康得以保障。在众多的情感信号中,脑电信号因其产生机制以及在不同情感状态下具有的差异性,使得该信号具有一定的真实可靠性,目前已成为情感识别领域中的主要研究对象。但是,由于脑电信号自身具有的随机性和非平稳性等特点,使得对脑电信号的情感研究仍存在一定的困难。因此,良好的特征参数以及识别算法的稀疏性、鲁棒性、计算复杂度等特性对于情感的识别效率和准确率至关重要。鉴于此,本文通过分析脑电信号的特点和常用的识别方法,首先,提出采用与支持向量机(support vector machine,SVM)相似但模型更为稀疏的相关向量机(relevance vector machine,RVM)作为分类器对脑电信号进行情感研究;其次,提取了脑电信号的三种非线性特征,并通过融合和降维处理的方法择优而选;最后,进一步对基于RVM的多模式分类算法进行改进,以实现情感脑电分类精度的提升。详细的研究工作如下:(1)详细介绍了情感脑电信号识别系统的构成,重点分析了常用的特征分析方法及识别网络等。鉴于当前SVM在分类过程中存在的计算复杂度高,核函数的选择受条件制约等问题,本文从RVM和SVM的相似性以及RVM自身具有的特点出发,提出将RVM应用于情感脑电分析中。文中以实验室采集的脑电信号作为数据来源,设计实验对比RVM和SVM在两类情感脑电信号识别领域中的性能,同时,添加与BP神经网络的对比实验进一步验证本文所采用RVM算法的优越性,结果显示,RVM更适用于对情感脑电信号进行二分类研究。(2)介绍了基于RVM的两种多模式分类算法:一对一(one-against-one,OAO)、一对多(one-against-all,OAA)。综合脑电信号的非线性特点和单一特征对脑电信号的情感信息表征不够充分而影响识别正确率的问题,提取了脑电信号的功率谱熵、样本熵和Hurst指数。使用OAO-RVM模型对不同的特征组合进行实验,根据识别准确率选取了最优特征集合,结果表明,将以上三种非线性特征融合并降维后获得的特征组合具有较好的识别结果。(3)使用上述筛选得到的特征组合分别输入OAO-SVM模型和OAO-RVM模型,在二分类实验完成的基础上,进一步设计实验对比两种多模式分类算法区分多类情感脑电信号的能力。分析结果可知,在对情感的二分类和多分类实验中,RVM对脑电信号的分类性能始终优于SVM,证明了RVM在该领域的有效性。(4)针对OAO-RVM算法计算量大,以及在分类过程中产生的无效投票易影响最终决策的问题,本文结合OAA算法的特点对该算法进行了改进,提出了一种崭新的两层多分类模型:基于RVM的一对多—一对一模型(one against all-one against one,OAA-OAO)。并分别使用OAO-SVM、OAO-RVM、OAA-OAO-RVM在实验室采集的脑电数据库中仿真,结果表明改进后的模型有效的优化了情感脑电信号的分类准确度,并且识别性能显著优于OAO-RVM和OAO-SVM,是一种有效的多分类模型。